一種多特征聯合的運動目標檢測算法*

張明軍　黃志金　孫澤能

(廣州大學華軟軟件學院網絡技術系　廣州　510990)

?

一種多特征聯合的運動目標檢測算法*

張明軍黃志金孫澤能

(廣州大學華軟軟件學院網絡技術系廣州510990)

摘要高斯混合模型已經成為對視頻利用背景減除法進行運動目標檢測的最多的一種背景建模模型,也成為一種標準模型。首先對高斯混合模型的理論框架及其性能進行了分析,分析了高斯混合模型仍需要解決的問題,并提出一種高斯混合模型聯合多特征的運動目標檢測算法,實驗表明該算法具有較好的目標檢測效果以及環境自適應性。

關鍵詞高斯混合; 目標檢測; 多特征聯合

Class NumberTP391.4

1　引言

智能視頻監控具有巨大的應用價值,但其穩定、高效的運動目標檢測是需要首先解決的重要問題[1]。這個問題近年來越來越引起關注,成為當前計算機視覺的研究熱點。運動目標檢測的目的就是將視頻中的運動目標從背景中提取出來。目前主要的檢測方法有時間差分法(temporal difference)、光流法(optical flow)和背景減除法(background subtraction)等。時間差分法[2～3]通過比較兩個或三個相鄰幀間的差異實現運動目標檢測,對動態環境有較強適應性,但檢測精度不高,難以獲得具有完整形狀的目標。光流法[4]主要是通過計算出每個像素點的運動矢量,從而發現運動的像素點。在攝像機運動或背景變化時,光流法也能檢測出運動目標,但計算復雜度高,在沒有專用硬件支持的情況下很難做到實時檢測,同時,抗噪和抗光照變化的性能較差。背景減除法[5]的基本思想是將視頻圖像看成是由前景與背景構成的,然后利用當前視頻幀減除背景圖像就能得到完整的運動目標。背景減除法的關鍵步驟是背景建模,典型算法有中值濾波、碼書、高斯模型、多模態均值等[6]。其中高斯混合模型是背景減除法中使用最多的一種模型,已成為一種標準模型,同時也是很多其它算法的基礎[7]。本文以高斯混合模型進行背景建模和運動目標檢測作為基礎,聯合多特征對高斯混合模型的目標檢測進行優化。

2　高斯混合模型

2.1基本思想

高斯混合模型(Gaussian mixture model,GMM)[8～9]認為背景圖像中各像素的顏色值變化符合高斯分布,可以用多個不同權重的高斯分布來模擬某一像素點的顏色變化。因此,GMM根據像素的顏色值與模型中各個分布成功匹配的不同頻率,來不斷更新模型中所有高斯分布的參數,即對各個高斯分布的權重、均值和協方差等參數進行訓練,使背景像素值分布收斂于一個或某幾個高斯分布,實現背景像素值的聚類,從而實現對背景的建模。

2.2模型定義

將視頻幀I中的某個像素點(x,y)時間t的觀測值記為Xt,對于給定點在不同時刻的一系列觀測值{X1,X2,…,Xt},可以看作是一個與其它點獨立的統計隨機過程,用包括K個高斯分布的GMM去描述,則t時刻點(x,y)的概率分布為

(1)

其中,ωi,t為t時刻第i個高斯分布的權值,它反映該高斯分布出現的比例;K通常為3～5;η(Xt,μi,t,Σi,t)是t時刻第i個均值為μi,t、協方差為Σi,t的概率密度函數:

(2)

2.3模型更新

GMM首先將當前像素Xt與模型中K個高斯分布進行匹配,如果像素值在某個高斯分布均值的范圍內,則匹配成功,同時更新該分布的均值和方差,增大分布的權值。如果匹配不成功,則一個新的高斯分布會取代權重值最小的分布,且其均值為當前的像素值。匹配成功時,調整各個分布的權重值:

ωi,t=(1-α)ωi,t-1+αMi,t

(3)

其中α為學習率,其值在(0,1)之間,α越大,權值更新得越快,否則反之;對于匹配的分布k,Mi,t為1,其余不匹配的分布為0,這樣可以導致匹配的分布權重值增加,減少不匹配分布權重值。

對于匹配分布,將其參數做如下調整:

μt=(1-ρ)μt-1+ρXt

(4)

其中ρ為另一個學習率,其值為ρ=αη(Xt|μk,σk),而對于沒有匹配的分布,其參數保持不變。

2.4前景檢測

根據ωi,t/σi,t值按由大到小對K個高斯分布進行排序,排序越前的高斯分布,越適合描述背景。一般選取滿足式(5)的前M(1≤M≤K)個高斯分布被當成是對背景的描述:

(5)

其中,T是背景模型比例閾值,如果T設置較小,GMM將退化為單高斯分布模型;如果T值較大,則可以為動態背景建立多個高斯分布的混合模型來模擬。T的經驗值可取0.6。

3　GMM性能分析

為了測試和分析GMM的有效性及性能,本文以VC++2010為編譯環境,對多個不同情況的視頻文件進行試驗。

3.1公路監控檢測性能分析

選取的公路監控視頻背景相對比較穩定,除了日照等條件能劇烈變化外,像素一般不會發生很大的變化,所以公路監控視頻背景的獲取相對容易,如圖1所示。由圖1(b)和圖1(c)可知,使用GMM進行背景建模在公路監控中具有較好效果,其目標檢測也有不錯的效果,但GMM對目標的分割不夠完整,存在“空洞”現象。

圖1　公路監控檢測結果

3.2遠景目標檢測性能分析

選取的視頻背景靜止,在不受光照變化等其它干擾的情況下,對遠景較小的目標的檢測效果較好,如圖2(a)中上方的人被檢測,如圖2(c)所示。但如果背景受其它干擾,則可能產生很多噪聲分布,這將影響對遠景目標檢測的判斷。

圖2　遠景目標檢測結果

3.3動態場景檢測性能分析

選取的本視頻的特點是運動目標進入視頻畫面后靜止,在不同的時間點獲取的檢測結果如圖3～圖5所示。由圖3(c)可知,能檢測到較完整的運動目標;由圖4(c)可知,則目標部分被背景包容;而在圖5(c)中目標則完全被隱藏。這里有兩個問題值得注意,第一,如果運動目標本就是動態背景,那由此可以看出,GMM對動態背景的收斂較慢,可能引起誤檢;第二,如果運動目標是前景目標,但運動緩慢時,被背景包容,則無法檢測到目標。

圖3　時間點1所檢測的結果

圖4　時間點2所檢測的結果

圖5　時間點3所檢測的結果

3.4目標陰影檢測性能分析

選取本視頻的特點是運動目標受光照的影響而存在陰影,如圖6、7所示,其中圖6中受室內光照而目標存在弱陰影,圖7中受室外光照而目標存在強陰影。但不管陰影強弱,如圖6(a)所示,陰影并不明顯,GMM都能將陰影當成運動目標而進行檢測,如圖6(c)、7(c)所示,這將嚴重影響到目標檢測后的運動目標分割、提取及其識別等。

圖6　弱陰影的檢測結果

圖7　強陰影的檢測結果

3.5室內場景檢測性能分析

選取的本視頻為室內場景,光照條件一般,如圖8所示。但由圖8(c)可知,檢測運動目標的同時,也產生了大量的高斯白噪聲,這也說明GMM對光照等條件的影響比較敏銳,這也將影響到檢測效果。

圖8　室內場景檢測結果

3.6性能分析總結

由上述結果可知:GMM背景建模過程中允許運動目標的存在,適合室外背景變化不大且運動速度相對較快的運動目標的檢測。但GMM也存在不足: 1) 對運動目標形狀的提取不夠完整,存在“空洞”現象; 2) 對于背景的突發性變化收斂較慢,存在誤檢現象; 3) 對于目標的輕微變化或者停止運動,存在漏檢現象; 4) 能夠檢測到目標陰影; 5) 受光照變化或者背景輕微擾動,導致存在較多噪聲分布。目前,已有學者針對上述問題對GMM進行了一些優化研究[10～13],雖未完全解決這些問題,但提供了很多思路。

4　多特征聯合的運動目標檢測算法

4.1顏色特征處理

(6)

式中:Mi(x,y)為像素點的值,T1為閾值。根據統計和經驗,T1取值為100時效果較好。

4.2邊緣特征處理

邊緣是圖像底層特征之一,對圖像的幾何變化,灰度變化及光照變化不敏感,可以很好地處理因光照突然變化引起的目標誤判等情況。但圖像的邊緣是高頻的,只要物體稍微的變化,都會被檢測出來,故極易受噪聲的干擾。為了減少噪聲的干擾和邊緣的間斷現象,JF Canny[14]提出了Canny邊緣檢測算法,使用了兩種不同閾值來區別弱邊緣和強邊緣,只有當弱邊緣和強邊緣連為一體時,才會被輸出為目標邊緣,否則不輸出弱邊緣。

4.3多特征聯合

(7)

式中α,β,γ為三個目標圖像的自適應歸一化權值,滿足α+β+γ=1,三個權值會在目標檢測過程中進行自適應的調整,受干擾影響越小,則賦予的權值也應越大。

(8)

則α和β可表示為

(9)

為減小當環境突變導致某一特征突然變化帶來的檢測偏差,可設定一個閾值消除這種影響,即相似度達到閾值時特征才能響應,設定響應閾值T2,設置響應規則如下:

(10)

本文選擇感知哈希算法[15]計算目標圖像的hash值,以漢明距離作為相似度,漢明距離越小則表明目標圖像越相似。

5　實驗結果

為了測試和分析多特征聯合的目標檢測算法,本文以VC++2010為編譯環境進行測試。

由圖9可知,由于基于背景差的目標跟蹤算法對光線比較敏感,由圖10(b)可知,從左上角往右下角行駛的汽車,容易發現車輛行駛的陰影都被檢測出來。由圖10(c)可知,有效降低了因光照造成對目標檢測的影響。圖10(b)描述了因光照及灰度的影響,汽車行駛過后的部分路面連通車輛一起被檢測為了目標,造成了對目標范圍定位的擴大化,若以矩形框來顯示目標,顯示目標比實際目標擴大了多倍,將為后續的目標跟蹤帶來困難。圖10(c)可知效果明顯好于圖10(b)。圖11描述了光照突然變化的畫面,因為基于顏色特征的背景差對光照的突然變化比較敏感,故在圖11(b)中,將整個畫面誤判為了目標。圖11(c)可知避免了突然光照的影響,顯示了真實目標。

圖9　檢測結果1

圖10　檢測結果2

圖11　突然光照檢測效果

6　結語

分析了GMM存在的性能問題,包括光照影響等問題,提出了一種多特征聯合的目標檢測算法,在GMM的基礎上對目標圖像進行優化。實驗表明:在光照影響比較復雜的情況下,該算法能有效地改進GMM對陰影誤檢、光照突變等問題,具有較高的魯棒性。

參 考 文 獻

[1] 王亮,胡衛明,譚鐵牛.人運動的視覺分析綜述[J].計算機學報,2002,25(3):225-237.

WANG Liang, HU Weiming, TAN Tieniu. A Survey of Visual Analysis of Human Motion[J]. Chinese Journal of Computers,2002,25(3):225-237.

[2] Lipton A, Fujiyoshi H, Patil R. Moving target classification and tracking from real-time video[C]//Proc. IEEE Workshop on Applications of Computer Vision, Princeton, NJ,1998:8-14.

[3] Anderson C, Bert P, Vander W G. Change detection and tracking using pyramids transformation techniques[C]//Proc. SPIE Conference on Intelligent Robots and Computer Vision, Cambridge, MA,1985,579:72- 78.

[4] Meyer D, Denzler J, Niemann H. Model based extract ion of articulated objects in image sequences for gait analysis[C]//Proc. IEEE International Conference on Image Processing, Santa Barbara, California,1997:78- 81.

[5] 代科學,李國輝,涂丹,等.監控視頻運動目標檢測減背景技術的研究現狀和展望[J].中國圖象圖形學報,2006,11(7):919-927.

DAI Kexue, LI Guohui, TU Dan, et al. Prospects and Current Studies on Background Subtraction Techniques for Moving Objects Detection from Surveillance Video[J]. Journal of Image and Graphics,2006,11(7):919-927.

[6] Piccardi M. Background subtraction techniques: a review[C]//Proc. IEEE International Conference on Systems, Man and Cybernetics,2004:3099-3104.

[7] 白向峰,李艾華,李喜來,等.新型背景混合高斯模型[J].中國圖象圖形學報,2011,16(6):983-988.

BAI Xiangfeng, LI Aihua, LI Xilai, et al. A novel background Gaussian mixture mode[J]. Journal of Image and Graphics,2011,16(6):983-988.

[8] Stauffer C, Grimson W. E L. Learning patterns of activity using real-time tracking[J]. IEEE Transactions on Pattern Recognition Machine Intelligence,2000,22(8):747-757.

[9] 梁華.多攝像機視頻監控中運動目標檢測與跟蹤[D].長沙:國防科學技術大學,2009:20-25.

LIANG Hua. Moving Object Detection and Tracking for Multi-Camera Video Surveillance[D]. Changsha: National University of Defense Technology,2009:20-25.

[10] 張恒,胡文龍,丁赤飚.一種自適應學習的混合高斯模型視頻目標檢測算法[J].中國圖象圖形學報,2010,15(4):631-636.

ZHANG Heng, HU Wenlong, DING Chibia. Adaptive Learning Gaussian Mixture Models for Video Target Detection[J]. Journal of Image and Graphics,2010,15(4):631-636.

[11] 孟益方,歐陽寧,莫建文,等.基于高斯混合模型的陰影消除算法[J].計算機仿真,2010,27(1):210-213,260.

MENG Yifang, OUYANG Ning, MO Jianwen, et al. A Shadow Removal Algorithm with Gaussian Mixture Mode[J]. Computer Simulation,2010,27(1):210-213,260.

[12] 姜柯,李艾華,蘇延召.結合邊緣紋理和抽樣推斷的自適應陰影檢測算法[J].西安交通大學學報,2013,47(2):39-46.

JIANG Ke, LI Aihua, SU Yanzhao. An Adaptive Shadow Detection Algorithm Using Edge Texture and Sampling Deduciton[J]. Journal of Xi’an Jiaotong University,2013,47(2):39-46.

[13] 劉李漫,陶文兵,田金文.融合多高斯混合模型與Graph Cuts優化技術的目標自動檢測方法[J].中國體視學與圖像分析,2011,16(1):11-17.

LIU Liman, TAO Wenbing, TIAN Jinwen. An object detection method based on adaptive background mixture models and Graph Cuts[J]. Chinese Journal of Stereology and Image Analysis,2011,16(1):11-17.

[14] Canny J F. Finding edges and lines in images[J]. Massachusetts Inst. of Tech. Report,1983,1.

[15] 牛夏牧,焦玉華.感知哈希綜述[J].電子學報,2008,36(7):1405-1411.

NIU Xiamu, JIAO Yuhua. An Overview of Perceptual Hashing[J]. Acta Electronica Sinica,2008,36(7):1405-1411.

收稿日期:2015年10月6日,修回日期:2015年12月21日

基金項目:廣東高校優秀青年創新人才培養計劃項目(編號:2013LYM_0114);廣州大學華軟軟件學院重大科研培育項目;廣東大學生科技創新培育專項資金項目資助。

作者簡介:張明軍,男,碩士,講師,研究方向:圖像處理、計算機網絡。

中圖分類號TP391.4

DOI:10.3969/j.issn.1672-9722.2016.04.017

Moving Object Detection Algorithm on Multi-feature Combination

ZHANG MingjunHUANG ZhijinSUN Zeneng

(Faculty of Network Technology, South China Institute of Software Engineering, Guangzhou University, Guangzhou510990)

AbstractGaussian mixture modeling is the most used method for background modeling of the implementation of background subtraction in video sequences, and has become the standard method. The theory framework and function of Gauss mixture model are analyzed. The problems of Gauss mixture model which still need to be solved are analyzed, and a Gauss mixture model combined with multiple features is proposed, the experiments show that the algorithm has better effect of object detection and environmental adaptability.

Key WordsGauss mixture model, objects detection, multi-feature combination